Perbandingan performa model-based collaborative filtering dalam rekomendasi musik / Dzannun Fansyiari Austi</p>

Austi, Dzannun Fansyiari (2024) Perbandingan performa model-based collaborative filtering dalam rekomendasi musik / Dzannun Fansyiari Austi</p>. Diploma thesis, Universitas Negeri Malang.

Full text not available from this repository.

Abstract

p RINGKASAN Austi Dzannun Fansyiari. 2024. Perbandingan Performa Model-Based Collaborative Filtering dalam Rekomendasi Musik. Skripsi Program Studi Teknik Informatika Universitas Negeri Malang. Pembimbing (I) Dr. Ir. Triyanna Widiyaningtyas M.T. Perkembangan teknologi digital dan internet telah mengubah cara manusia berinteraksi dengan musik yang sekarang menjadi bagian penting dari kehidupan sehari-hari. Meskipun ada banyak pilihan musik dalam bentuk digital menemukan musik sesuai preferensi bisa menjadi tantangan. Oleh karena itu sistem rekomendasi musik dengan algoritma menjadi sangat penting dalam menyederhanakan pencarian musik dan memberikan rekomendasi yang sesuai dengan selera pengguna. Penelitian ini bertujuan untuk menerapkan model Collaborative Filtering (CF) dengan algoritma Alternating Least Squares (ALS) Bayesian Personalized Ranking (BPR) dan Logistics Matrix Factorization (LMF) serta Single Value Decomposition (SVD) dalam merekomendasikan musik menggunakan dataset LFM-2b. Tujuan lainnya adalah melakukan perbandingan kinerja empat model CF tersebut dalam memberikan rekomendasi musik yang dievaluasi dengan metrik NDCG Precision dan MAP pada dataset LFM-2b. Selain itu penelitian ini juga bertujuan untuk membuat tampilan Graphical User Interface (GUI) dari model sistem rekomendasi yang dibangun memungkinkan pengguna untuk melihat daftar lagu dan melakukan perbandingan dari masing-masing metode rekomendasi. Hasil penelitian ini menunjukkan bahwa model Collaborative Filtering (CF) dengan algoritma Alternating Least Squares (ALS) Bayesian Personalized Ranking (BPR) dan Logistics Matrix Factorization (LMF) serta Single Value Decomposition (SVD) berhasil diterapkan dalam merekomendasikan musik pada dataset LFM-2b. Keempat model CF mampu memberikan rekomendasi musik dengan variasi skor kepada pengguna menunjukkan upaya untuk memenuhi preferensi yang beragam. Evaluasi terhadap NDCG Precision dan MAP menegaskan model BPR yang memberikan rekomendasi dengan tingkat keakuratan relevansi dan rata-rata presisi yang lebih tinggi sementara ALS juga menunjukkan kinerja yang baik namun masih kalah dibandingkan BPR. Namun LMF dan SVD menunjukkan kinerja yang jauh lebih rendah dalam evaluasi tersebut menunjukkan kebutuhan akan peningkatan. Selain itu implementasi GUI pada sistem rekomendasi ini memungkinkan pengguna untuk secara visual mengeksplorasi daftar rekomendasi dari masing-masing metode memberikan gambaran yang lebih jelas terkait lagu-lagu yang direkomendasikan dan memungkinkan perbandingan antar-metode secara interaktif. /p

Item Type:	Thesis (Diploma)
Divisions:	Fakultas Teknik (FT) > Departemen Teknik Elektro (TE) > S1 Teknik Informatika
Depositing User:	library UM
Date Deposited:	23 Sep 2024 04:29
Last Modified:	09 Sep 2024 03:00
URI:	http://repository.um.ac.id/id/eprint/400268

Actions (login required)

View Item